Beautiful Earth

Недавно мы рассказывали о снимках дня, сделанных в NASA Earth Observatory и НИЦ “Планета”. Своя галерея спутниковых снимков есть и в NASA Climate Change. Она называется Beautiful Earth.

#снимки

Снимок сделан спутником Landsat 7 14 августа 2000 года. Это псевдоцветной композит, с использованием ближнего инфракрасного, красного и зеленого каналов (вместо естественных: красного, зеленого и синего). Здоровая растительность на таком композите окрашена в красный цвет.

На краю пустыни Калахари в Намибии песчаные дюны захватывают некогда плодородные земли. Одинокая красная точка в центре снимка — результат работы центральной ирригационной системы. Значит, по крайней мере один фермер еще борется, продолжая обрабатывать свои поля, несмотря на приближающиеся пески.

Как правильно читать аннотации статей

Посмотрим, что можно выяснить из аннотации, не читая самой статьи. Вот хорошая статья: Prediction of Forest Aboveground Biomass Using Multitemporal Multispectral Remote Sensing Data (https://doi.org/10.3390/rs13071282). Повторяю: статья хорошая. Но в ее аннотации применен один характерный прием, годящийся для помещения в “Инструкцию для читателя научных статей” (Физики продолжают шутить)

Аннотация хорошо структурирована. Для удобства, разобьем ее на абзацы. Вот перевод:

“Надземная биомасса леса (AGB) является основным параметром леса, который требует оценки на глобальном уровне…“ Так, ясно. Это — актуальность.

“В данной работе мы представляем…“ Что сделано в работе.

“Цель — оценить влияние…“ Цель работы.

“Исследование проводилось на мультиспектральных данных… Для прогнозирования AGB по каждому набору спутниковых данных…“ Описание данных и метода.

А сейчас — к результатам работы. Здесь будет без купюр.
“Результаты показывают, что модели AGB на основе разновременных данных более эффективны в прогнозировании, чем одновременные модели. Кроме того, переменные, зависящие от красного края фотосинтеза и коротковолнового инфракрасного канала (SWIR), показали значительное улучшение результатов моделирования и внесли вклад более чем в 50% отобранных переменных. Результаты также свидетельствуют о том, что высокое пространственное разрешение играет меньшую роль, чем спектральная и временная информация в прогнозировании AGB. Общий анализ подчеркивает хороший потенциал мультиспектральных данных космического базирования для разработки сложных методов прогнозирования AGB, особенно при использовании специальных спектральных каналов и временной информации”.

Чего не здесь хватает?

Не хватает числовой оценки качества результата. Зато есть про “хороший потенциал” — верный признак того, что текущий результат не так-то и хорош. Заглядываем в статью и действительно — коэффициент детерминации лучшей из моделей составил 0.58. В данном случае это неплохо, но повода для гордости не дает.

Числовые оценки тоже могут вводить в заблуждение. Но в области ДЗЗ есть большое подспорье — картинки. Придется заглянуть в статью, и посмотреть на полученную там карту (результат обработки снимка). Если картинка понравилась, продолжаем читать)

Активные и пассивные методы наблюдения

Все методы дистанционного зондирования делятся на активные и пассивные. В активных методах прибор облучает земную поверхность, а затем регистрирует отраженный сигнал. В пассивных методах прибор только принимает электромагнитное излучение, идущее от исследуемого объекта (собственное излучение объекта или отраженное солнечное излучение).

На сегодняшний день большинство систем спутникового дистанционного зондирования являются пассивными. Это системы, ведущие наблюдения в оптической, тепловой и микроволновой областях электромагнитного спектра.

Оптические системы наблюдения — самые распространенные. К ним относятся, в частности, Sentinel-2 MSI и Landsat 8 OLI. MSI (Multispectral Instrument) — это прибор, размещенный на спутниках Sentinel-2. OLI (Operational Land Imager), очевидно, стоит на Landsat 8 (на Landsat 9 находится OLI-2).

Съемку в тепловом инфракрасном диапазоне ведут, в частности, приборы Landsat 8 TIRS (Thermal Infrared Sensor), Landsat 9 TIRS 2, MODIS (на спутниках Terra и Aqua) и ASTER (на спутнике Terra).

Радиометры, ведущие пассивную съемку в микроволновом диапазоне, установлены на спутниках SMOS (Soil Moisture and Ocean Salinity) и SMAP (Soil Moisture Active Passive). Их назначение ясно из названия спутников. Кстати, на SMAP находится радар, которым предполагалось выполнять активную съемку. Но он почти сразу сломался, так что Active в названии спутника более не актуально.

Радиолокационные системы (радары) ведут активное наблюдение зондирование Земли. Они посылают к земной поверхности узконаправленные высокочастотные импульсные пучки электромагнитных волн. Отраженный поверхностью сигнал вновь принимаются антенной радара. Интенсивность и фаза отраженного сигнала зависят от рельефа поверхности, ее шероховатости, структуры и состава слагающих пород, характера растительности и влажности почвы.

На спутниках используют радары бокового обзора, которые ведут съемку поперек направления движения спутника, а не в точку под спутником, как это делают оптические системы.

Разрешение снимков радара зависит от размера антенны, и при антенне длиной в несколько метров составляет 1–2 км. Искусственно удлиняя антенну с помощью методов синтезирования апертуры (Synthetic-aperture radar, SAR), можно выполнять съемку с разрешением менее 1 м. Современные спутниковые радары, как правило, являются радарами с синтезированной апертурой, так что “SAR” и “радар” можно считать синонимами.

Основное достоинство радарной съемки — ее всепогодность. Радары позволяют вести съемку в облачную погоду, когда наблюдение оптическими системами невозможно. Однако возможность вести съемку в любую погоду не означает, что полученные радаром данные не зависят от погоды. Например, отражение радарного сигнала от влажной поверхности сильнее, чем от сухой. Когда же поверхность полностью покроется водой, отражение сигнала значительно ослабнет. Так что у радаров есть свои преимущества, но есть и свои особенности, которые нужно учитывать в работе.

Радиолокационные высотомеры (альтиметры) применяют для измерения профиля высот подстилающей поверхности с точностью до нескольких сантиметров, а также для получения информации о форме морской поверхности, гравитационных аномалиях, высоте морских волн, скорости ветра, уровнях приливов, скорости поверхностных течений и т. д. Примером спутниковых альтиметров является размещенный на Sentinel-3 прибор SRAL.

К средствам радиолокационного зондирования относятся также скаттерометры — измерители характеристик рассеяния. Принцип действия скаттерометров основан на зависимости эффективной площади рассеяния морской поверхности (и ее анизотропии) от скорости и направления ветра. Скаттерометры, в основном, занимаются определением синоптического поля ветра, что не требует высокого пространственного разрешения. К ним относятся приборы ASCAT на метеорологических спутниках MetOp.

Активную съемку в оптическом диапазоне ведут лидары — приборы, состоящие из импульсного источника излучения (лазера) и высокочастотного приемного устройства. Лидарная съемка основана на непрерывном получении отклика от подстилающей поверхности, подсвечиваемой лазерным монохроматическим излучением с фиксированной длиной волны. С помощью лидаров получают цифровые модели поверхности и рельефа. Примерами спутниковых лидаров являются GEDI на Международной космической станции и ATLAS на спутнике ICESat-2 (Ice, Cloud, and land Elevation Satellite 2).

#основы #SAR

Высота волн, измеренная спутниковым альтиметром.

Лидарный снимок Капитолия (из GIS Geography).

Лидарный снимок леса, сделанный USDA Forest Service.

Размещенные на самолетах лидары используются для таксации леса. Конечно, спутниковый лидар такого качества съемки не обеспечит (пока). Но определить с его помощью высоту деревьев с точностью до нескольких метров вполне возможно.

С днем рождения, Галилео!

Поздравляем с днем рождения итальянского астронома, математика и механика Галилео Галилея, родившегося 15 февраля 1564 года. Галилей одним из первых направил телескоп на ночное небо, где увидел фазы Венеры и четыре светлые точки, вращающиеся вокруг Юпитера. Сейчас они известны как галилеевы спутники Юпитера (Ио, Европа, Ганимед и Каллисто). Галилей сформулировал первый закон механики (закон инерции). Эти и другие открытия Галилея начали менять наши представление о Вселенной и месте человека в ней.

Диапазоны работы радаров

Ка-диапазон: 1 см – 7.5 мм (частоты 26.5–40 ГГц) и Кu-диапазон: 2.5–1.67 см (12–18 ГГц). Это самые высокие частоты на которых сейчас работают спутниковые радары. Чем выше частота, тем сильнее атмосферное поглощение и затухание электромагнитных волн. С другой стороны, возрастает и потенциальная разрешающая способность. Пример: KaRin – радиолокационный интерферометр Ка-диапазона на спутнике SWOT (Surface Water and Ocean Topography) — совместной миссии NASA и французского CNES.

Любопытно, что Ка (К-abobe) и Ku (K-under) представляют собой верхнюю и нижнюю части исходного К-диапазона, который был разделен на три поддиапазона (Ku, K и Ka) из-за наличия пика поглощения атмосферного водяного пара на частоте 22.24 ГГц (1.35 см), что сделало центральную часть непригодной для передачи сигнала на большие расстояния. Название K-диапазона происходит от немецкого слова “короткий”: kurz.

X-диапазон: 3.75–2.4 см (8–12.5 ГГц). Данные этого диапазона используются для решения задач военной разведки, а также широкого ряда гражданских задач. В частности, для изучения и классификации льдов. Пример: немецкий спутник TerraSAR-X.

Часть X-диапазона между 7.9–8.4 ГГц для линии Земля-Спутник (uplink), и между 7.25–7.75 ГГц для линии Спутник-Земля (downlink) зарезервирована для обмена данными со спутниками. Наземные радары X-диапазона широко используются в метеорологии, так как из-за меньшей длины волны (по сравнению с диапазонами L- и S- и C-) эти радары более чувствительны к туману и облакам, состоящим из мельчайших капель воды. Они также используются для обнаружения снежных осадков и зон неинтенсивного дождя.

Во Второй мировой войне диапазон использовался для управления огнем, так что X означает “крест” (перекрестие прицела).

C-диапазон: 7.5–3.75 см (4–8 ГГц). Применяется для самого широкого круга задач в гражданской сфере, в том числе для построения цифровых моделей рельефа и мониторинга смещений земной поверхности. Самый известный на сегодняшний день спутниковый радар Sentinel-1, предоставляющий нам основной объем бесплатных радарных данных, работает в C-диапазоне. Диапазон также используется для спутниковой связи в интервалах 3.7–4.2 ГГц (downlink) и 5.9–6.4 ГГц (uplink). “С” происходит от Compromise — компромисс между S- и L-диапазонами.

S-диапазон: 15–7.5 см (2–4 ГГц). Диапазон интересен для широкого круга военных и гражданских приложений. Примеры: китайский S-SAR 01 и один из двух радаров американо-индийского спутника NISAR, запуск которого планируется в этом году. “S” означает short (короткий).

L-диапазон: 30–15 см (1–2 ГГц). Просвечивает растительность, в том числе не слишком плотный лес. Может частично проникать в сухой снег, лед, в сухую почву, на глубину до нескольких метров. Примеры: японские радары ALOS и ALOS-2 на спутниках PALSAR и PALSAR-2 соответственно. В L-диапазоне работают Глобальные навигационные спутниковые системы, вроде GPS и GLONASS. “L” — long.

P-диапазон: 100–30 см (0.3–1 ГГц). Просвечивает растительность, в том числе плотную, а также сухую почву, сухой снег, лед — на глубину до нескольких метров. Используются для оценки биомассы. Планируется на европейском спутнике Biomass (апрель 2024 года).

Заметим, что покрытие данными Biomass над Европой, Северной и Центральной Америкой будет ограничено, в связи с использованием радиолокационными станциями слежения за космическими объектами (SOTR) Министерства обороны США. В связи с этими ограничениями, теряются значительные площади наблюдения в умеренном, бореальном и субтропическом биомах.

#справка #SAR

Свежие (прошлогодние) наборы данных для глубокого обучения.

Sentinel2GlobalLULC — набор данных для обучения моделей, нацеленных на создание карт землепользования и земного покрова (Land Use & Land Cover — LULC).

Составлен из снимков Sentinel-2, на основе согласования 15 глобальных карт LULC, доступных в Google Earth Engine. Текущая версия содержит 194877 RGB-изображений, разбитых на 29 классов LULC. Каждое изображение представляет собой плитку размером 224 × 224 пикселей с разрешением 10 × 10 м, построенную как безоблачный композит снимков Sentinel-2, полученных с июня 2015 года по октябрь 2020 года.

Описание: Benhammou, Y., Alcaraz-Segura, D., Guirado, E. et al. Sentinel2GlobalLULC: A Sentinel-2 RGB image tile dataset for global land use/cover mapping with deep learning. Sci Data 9, 681 (2022). https://doi.org/10.1038/s41597-022-01775-8
Данные: https://zenodo.org/record/6941662

CloudSEN12 — разновременной глобальный набор данных для обучения моделей, позволяющих выделить облака и тени на спутниковых снимках. Содержит 49 400 изображений, включая (1) мультиспектральные данные Sentinel-2 уровня 1C и уровня 2A, (2) данные радара Sentinel-1, (3) вспомогательные продукты дистанционного зондирования, (4) аннотации для обозначения наличия видов облаков и облачных теней, и (5) результаты восьми современных алгоритмов обнаружения облаков.

Описание: Aybar, C., Ysuhuaylas, L., Loja, J. _et al._ CloudSEN12, a global dataset for semantic understanding of cloud and cloud shadow in Sentinel-2. _Sci Data_ 9, 782 (2022). https://doi.org/10.1038/s41597-022-01878-2
Данные: https://cloudsen12.github.io/

#датасет

GEE-10. Библиотека Awesome Spectral Indices

Код примера

В прошлый раз мы вычисляли вегетационные индексы. Есть способ сделать это еще проще — с помощью библиотеки Awesome Spectral Indices (документация).

Создадим коллекцию снимков Sentinel-2 L2A, покрывающих интересующий район (ROI — region of interest):

var col = ee.ImageCollection('COPERNICUS/S2_SR')
            .filterDate('2021-06-01', '2021-09-01')
            .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE',10))
            .filter(ee.Filter.bounds(ROI))
            .select('B.*');

Вычислим медиану коллекции и обрежем ее по границам ROI. Медиана коллекции — снимок, каналы которого являются медианами соответствующих каналов коллекции (вычисления в каждом канале происходят попиксельно). В итоге получим некий типичный летний снимок Небраски.

var image = col.median().clip(ROI);

Загружаем библиотеку Awesome Spectral Indices. Путь к ней указан в параметре функции require.

var spectral = require("users/dmlmont/spectral:spectral");

Awesome Spectral Indices — сторонняя библиотека. Она создана не разработчиками Earth Engine, а пользователем с ником dmlmont. Вы можете создать свою библиотеку и загрузить ее на GEE, но об этом поговорим позже. Сейчас же масштабируем значения пикселей.

var image = spectral.scale(image, "COPERNICUS/S2_SR");

Помните, у нас была функция applyScaleFactors для масштабирования значений пикселей? scale из библиотеки spectral делает то же самое.

Зададим параметры для расчета индексов. Мы хотим рассчитать NDVI, NDWI и EVI. Для этого понадобится несколько каналов и числовых констант.

Список спектральных индексов можно посмотреть здесь. В списке приведена формула, каждой букве которой мы сопоставим канал или число.

var parameters = {
    "N": image.select("B8"),
    "R": image.select("B4"),
    "G": image.select("B3"),
    "B": image.select("B2"),
    "L": 1,
    "g": 2.5,
    "C1": 6,
    "C2": 7.5
};

Вот формула для расчета EVI:

2.5 * ((NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1))

А вот как она выглядит в списке:

g * ((N - R) / (N + C1 * R - C2 * B + L))

Думаю, принцип понятен. Зеленый канал нужен нам для расчета NDWI.

spectral.computeIndex вычисляет индексы по списку и добавляет к снимку.

var image = spectral.computeIndex(image, ["NDVI","NDWI","EVI"], parameters);

Для GEE Python API есть несколько библиотек, реализующих расчет спектральных индексов.

#GEE #индексы

Интерактивная карта космического мусора

Интерактивная карта AstriaGraph Техасского университета отслеживает местоположение более 26 000 искусственных объектов, вращающихся вокруг Земли. Из них только около 3500 – 4000 представляют собой работающие спутники. Они показаны оранжевым цветом.

Карта позволяет отфильтровать объекты по стране происхождения, типу орбиты или спутниковой группировке. Использование цвета для отображения активных спутников, неактивных спутников и мусора дает наглядную визуализацию растущей проблемы космического мусора.

#данные #debris #tool

Этот лабиринт ярких экзотических форм находится вдоль берега Чаунской губы (яркий синий полукруг вверху). Две крупные реки, Чаун и Паляваам, впадают в залив, который, в свою очередь, открывается в Восточно-Сибирское море. По всей территории присутствуют ленточные озера и болота, образованные впадинами, оставленными отступающими ледниками. Снимок сделан аппаратом Landsat-5 15 июня 2005 года.

#снимки